Class Schedule

Tutoriel Python

• Tutoriel Python
• Introduction à Python
• Entrée en matière sur Python
• Syntaxe Python
• Commentaires Python
• Variables Python
• Types de données Python
• Python Numbers
• Casting Python
• Chaine de caractères Python
• Booleen Python
• Opérateurs Python
• Listes Python
• Tuples Python
• Ensembles Python
• Dictionnaires Python
• Python If Else
• Boucle While Python
• Boucle For Python
• Fonctions Python
• Lambda Python
• Tableaux Python
• Python Class/Object
• Héritage Python
• Iteration Python
• Portée Python
• Modules Python
• Dates Python
• JSON Python
• RegEx Python
• PIP Python
• Try Except Python
• Python Command Input
• Formatage de chaîne Python

File Handling

• Ouvrir un fichier Python
• Lecture d'un fichier Python
• Python File Write/Create
• Suppression de fichier Python

Python NumPy

• Introduction à NumPy
• Entrée en matière sur NumPy
• Création d'un tableau NumPy
• Indexation de tableau NumPy
• Tranchage de tableau NumPy
• Types de données NumPy
• Copie/ Vue NumPy
• Forme de tableau NumPy
• Redimensionnement de tableau NumPy
• Iteration de tableau NumPy
• Concaténation de tableau NumPy
• Décomposition de tableau NumPy
• Recherche de tableau NumPy
• Tri de tableau NumPy
• Filtrage de tableau NumPy
• Aléatoire NumPy
• ufuncs NumPy

Machine Learning

• 入门
• Mode médiane moyen
• Standard Deviation
• Percentile
• Data Distribution
• Normal Data Distribution
• Scatter Plot
• Linear Regression
• Polynomial Regression
• Multiple Regression
• Scaling
• Training/Testing
• Decision Tree

Python MySQL

• MySQL 入门
• MySQL Create Database
• MySQL Create Table
• MySQL Insert
• MySQL Select
• MySQL Where
• MySQL Order By
• MySQL Delete
• MySQL Drop Table
• MySQL Update
• MySQL Limit
• MySQL Join

Python MongoDB

• MongoDB Introduction
• MongoDB Créer la base de données
• MongoDB Créer la collection
• MongoDB Insérer
• MongoDB Trouver
• MongoDB Requête
• MongoDB Trier
• MongoDB Delete
• MongoDB Supprimer la collection
• MongoDB Update
• MongoDB Limit

Manuel de référence Python

• Aperçu de la référence Python
• Fonctions intégrées Python
• Méthodes de chaînes Python
• Méthodes de listes Python
• Méthodes de dictionnaires Python
• Méthodes de tuples Python
• Méthodes de collections Python
• Méthodes de fichiers Python
• Mots-clés Python

Manuel de référence des modules

• Module aléatoire
• Module de requête

Python How To

• Supprimer les éléments répétés d'une liste
• Inverser une chaîne

Exemple en Python

• Exemple en Python
• Jeu de questions en Python

Cours optionnel

Recommandation de cours :

• CodeW3C.com Boîte à outils

L'apprentissage automatique permet aux ordinateurs d'apprendre à partir de données et d'informations statistiques.

L'apprentissage automatique est l'un des pas vers l'intelligence artificielle (IA).

L'apprentissage automatique est un programme capable d'analyser les données et d'apprendre à prédire des résultats.

Où commencer ?

Dans ce tutoriel, nous retournerons à la mathématique et étudierons la statistique, ainsi que la manière de calculer des valeurs importantes à partir des ensembles de données.

Nous allons également apprendre à utiliser divers modules Python pour obtenir les réponses nécessaires.

Et nous allons également apprendre à écrire des fonctions capables de prédire des résultats en fonction des connaissances acquises.

Ensemble de données

Dans un ordinateur, un ensemble de données fait référence à toute collection de données. Cela peut être tout, de l'array à une base de données complète.

Exemple d'un tableau :

[99,86,87,88,111,86,103,87,94,78,77,85,86]

Exemple d'une base de données :

En examinant l'array, nous pouvons deviner que la valeur moyenne pourrait être d'environ 80 ou 90, et nous pouvons également déterminer la valeur maximale et minimale, mais que pouvons-nous encore faire ?

En regardant la base de données, nous pouvons voir que la couleur la plus populaire est le blanc, l'âge des véhicules le plus ancien est de 17 ans, mais que faire si nous pouvions prédire si un véhicule a AutoPass en ne regardant que d'autres valeurs ?

C'est l'objectif de l'apprentissage automatique ! Analyse des données et prédiction des résultats !

Dans l'apprentissage automatique, on utilise généralement de très grandes bases de données. Dans ce tutoriel, nous essaierons de vous faire comprendre le plus simplement possible les différents concepts de l'apprentissage automatique, en utilisant des ensembles de données de petite taille faciles à comprendre.

Type de données

Pour analyser les données, il est très important de comprendre le type de données que nous devons traiter.

Nous pouvons classer les types de données en trois catégories principales :

• Numérique
• Catégoriel
• Ordinal

Données numériquesSont des nombres qui peuvent être divisés en deux catégories de valeurs :

Données discrètes (Discrete Data)

- Numéros limités aux entiers. Par exemple : le nombre de voitures passées.

Données continues (Continuous Data)

- Numéros avec des valeurs infinies. Par exemple : le prix d'un article ou la taille d'un article.

Données catégoriellesSont des valeurs non mesurables entre elles. Par exemple : les valeurs de couleur ou toute valeur yes/no.

Données ordinalesSimilaire aux données catégorielles, mais mesurables entre elles. Exemple : les résultats scolaires d'un A supérieur à un B, etc.

En comprenant le type de données du source des données, vous pouvez savoir quel type de technologie utiliser lors de l'analyse des données.

Dans le prochain chapitre, vous apprendrez davantage sur les statistiques et l'analyse des données.

Boîte à outils

Manuel de référence Python

Exemple en Python

Jeu de questions en Python

Liens de sponsors